Anomalie-Erkennung in der Produktion mit Azure


Zur Vermeidung unvorhergesehene Fehler werden mit Hilfe der MICA Prozessdaten vom Feldbus in die Microsoft Azure Cloud übertragen. Das Verhalten der Anlage wird gelernt, fortlaufend überwacht, Trends sowie Abweichungen erkannt und letztendlich der Bediener geeignet benachrichtigt.

Zielsetzung
  • Vermeidung ungeplanter Stillstände einer Maschine / Anlage
  • Warnung und Information des Bedieners bei Abweichungen
Leistungsumfang
  • Frühzeitige Erkennung von Abweichungen im Verhalten der Maschine
  • Prognose von Störungen aufgrund von erkannten Abweichungen
Vorteile
  • Flexible Lösung, unabhängig vom Hersteller der eingesetzten Automatisierungstechnik
  • An vorhandenen Maschinen im Feld nachrüstbar

 

Unvorhergesehene Abweichungen erkennen bevor die Anlage steht

Viele Störungen einer Maschine werden direkt über Sensoren erkannt und führen zum unmittelbaren Stillstand der Maschine. Dies ist aus Sicherheitsgründen zwingend erforderlich. Doch Störungen entwickeln sich oft langsam; hier setzt das ehrgeizige Ziel des Technical Deep Dive von Expleo an: Störungen bzw. Anomalien frühzeitig erkennen, indem das Verhalten der Maschine und die Sensorwerte laufend überwacht und mit dem normalen Verhalten der Maschine verglichen werden. Daneben gibt es noch Störungen, die nicht mittels Sensoren direkt erfasst werden können. Diese machen sich dann indirekt über andere erfasste Parameter bemerkbar und führen schließlich zum Stillstand der Maschine. Solche Störungen können mit dem in diesem Use Case eingesetzten Technologien ebenfalls frühzeitig erkannt werden.

Die HARTING MICA als Datenintegrator und Gateway in die Cloud

Die HARTING MICA ist mit dem Ethercat Feldbus der Maschine und damit mit der Steuerung verbunden. Über diesen Kanal können alle Sensor und Aktorwerte auf dem Feldbus zyklisch erfasst werden. Die Daten werden anschließend im Python-Container der MICA in einem Skript zusammengeführt, vorverarbeitet und gebündelt in die Cloud gesendet.

Microsoft Azure Machine Learning Service zur Analyse der Online Daten

Zunächst wird das Normalverhalten mit einem im Microsoft Azure Machine Learning Service eigens entwickelten Machine Learning Modell trainiert. Das Training erfolgt auf Basis von Daten, die an der Maschine im normalen Betrieb aufgezeichnet wurden.

In der Betriebsphase wird der Datenstrom laufend überwacht. Werden signifikante Abweichungen erkannt, wird der Bediener informiert und kann sich verschiedene Signalverläufe anschauen, um eine Entscheidung zu treffen.

Screenshot eines Signalverlaufs bei einer Leckage im Druckluftsystem
Expleo Group

Über uns

Expleo bietet ihren Kunden ein einzigartiges Angebotsportfolio bestehend aus ganzheitlichen, integrierten Ingenieurs- und Qualitätsdienstleistungen ergänzt durch Managementberatung für die digitale Transformation.
Autor Benno Lüdicke
Telefon +49 89 608090-178